Knowledge graph enhanced recommender systems

Thumbnail Image

Files

Bogossian_Andreas_2025.pdf (383.7 KB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-09-15

Department

Major/Subject

Tietotekniikka

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

25

Series

Abstract

In the age of the internet, the amount of information accessible to humans is overwhelming. To address this challenge, recommender systems have been introduced to filter and personalize information. Traditional recommender system implementations like collaborative filtering and content-based filtering are popular because of their effectiveness and relative ease of implementation. Despite their popularity, traditional systems struggle with cold start issues, data sparsity, and lack of explainability. Enhancing the recommender system with knowledge graphs can solve these problems. Knowledge graph-based recommender systems solve the cold start problem and have better explainability. Knowledge graph-based systems can be divided into two categories based on how the graphs are modelled. The first category, embedding based methods, enhance item and user representations by embedding knowledge graph information to a lower dimensional space. Path-based methods use meta-paths to create explainable recommendations. Although KG-based recommender systems have many benefits, they have their weaknesses. A drawback with knowledge graph-based recommender systems is that knowledge graphs can have biases in them and that implementing a knowledge graph in the system will increase computational overhead. The main approach of this thesis is to do a literature review. Articles on recommender system taxonomy, performance and algorithms are covered so that knowledge graph-based systems can be compared to traditional recommender systems. The thesis covers content-based filtering, collaborative filtering and hybrid methods. Then knowledge graph modelling techniques are discussed. Finally recommendation based on the graph modelling techniques is covered and the thesis ends in a discussion about the benefits of knowledge graph enhanced recommender systems.

Saatavilla olevan tiedon määrä on kuormittavaa internetin yleistyttyä. Ratkaisuksi on kehitetty suosittelualgoritmeja, joiden avulla tietoa pystyy suodattamaan ja personoimaan, jotta käyttäjät näkevät vain relevanttia tietoa. Nykyään, niin kutsutut perinteiset suosittelusysteemit, ovat laajasti implementoituja, koska ne ovat tehokkaita ja suhteellisen yksinkertaisia saada toimimaan. Vaikka perinteiset metodit ovat suosittuja ja laajasti käytössä, niilläkin on omat heikkoutensa. Merkittävimpiin heikkouksiin kuuluu kylmäkäynnistysongelmat ja suositusten huono selitettävyys. Näitä heikkouksia pystyy minimioimaan tietograafein parannetuilla suosittelusysteemeillä. Tietograafein parannetut suosittelusysteemit pystyvät korjaamaan perinteisten metodien haasteet. Kylmäkäynnistysonglema korjaantuu käyttämällä tietograafeja suositusten tukena kylmäkäynnistystilantiessa. Selitettävämpiä suosituksia saa polkupohjaisten menetelmien avulla. Vaikka tietograafit paikkaavat monia perinteisten metodien haasteita, graafipohjaisilla menetelmillä on omat haasteensa. Yksi merkittävimmistä haasteista on että graafissa olevat harhat periytyvät suosittelusysteemiin. Opinnäytetyö käyttää tutkimusmenetelmänä kirjallisuuskatsausta. Työssä tarkastellaan artikkeleita perinteisistä suosittelusysteemeistä ja tietograaffipohjaisista suosittelusysteemeistä. Opinnäytetyö pureutuu suosittelualgoritmien algoritmeihin, jotta lukija pystyy hahmottamaan mistä minkäkin metodin vahvuudet ja heikkoudet johtuvat.

Description

Supervisor

Savioja, Lauri

Thesis advisor

Li, Anchen

Keywords

recommender systems, knowledge graphs, cold-start problem, explainable recommendation, collaborative filtering, content-based filtering

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202510218396

Collections

[kand] Perustieteiden korkeakoulu / SCI